第1章 概述 1
1.1 历史沿革 1
1.1.1 受限领域问答 1
1.1.2 开放领域问答 2
1.2 任务分类 7
1.2.1 知识图谱问答 8
1.2.2 表格问答 10
1.2.3 文本问答 12
1.2.4 社区问答 13
1.3 问答评测 14
1.3.1 知识图谱问答 14
1.3.2 表格问答 15
1.3.3 文本问答 15
1.3.4 社区问答 17
1.4 本章总结 18
参考文献 18
第2章 机器学习基础 20
2.1 统计学习 20
2.1.1 朴素贝叶斯 20
2.1.2 最大熵 21
2.1.3 支持向量机 23
2.2 深度学习 24
2.2.1 神经网络 25
2.2.2 词向量 29
2.2.3 卷积神经网络 33
2.2.4 递归神经网络 34
2.3 本章总结 38
参考文献 39
第3章 实体链接 41
3.1 候选实体生成 42
3.1.1 词典匹配方法 42
3.1.2 统计学习方法 45
3.2 候选实体排序 46
3.2.1 监督学习方法 47
3.2.2 无监督学习方法 49
3.3 无链接提及预测 49
3.4 本章总结 50
参考文献 50
第4章 关系分类 53
4.1 模板匹配方法 54
4.2 监督学习方法 56
4.2.1 基于特征的方法 56
4.2.2 基于核函数的方法 57
4.2.3 深度学习方法 59
4.3 半监督学习方法 62
4.3.1 基于自举的方法 62
4.3.2 基于远监督的方法 64
4.4 本章总结 66
参考文献 66
第5章 知识图谱问答 68
5.1 知识图谱和语义表示 68
5.1.1 知识图谱 69
5.1.2 语义表示 70
5.2 基于语义分析的方法 73
5.2.1 基于CCG的语义分析 74
5.2.2 基于SCFG的语义分析 77
5.2.3 基于DCS的语义分析 80
5.2.4 基于NMT的语义分析 82
5.3 基于答案排序的方法 85
5.3.1 基于特征的答案排序 86
5.3.2 基于问题生成的答案排序 88
5.3.3 基于子图匹配的答案排序 90
5.3.4 基于向量表示的答案排序 92
5.3.5 基于记忆网络的答案排序 94
5.4 本章总结 97
参考文献 97
第6章 表格问答 100
6.1 表格检索 101
6.2 答案生成 103
6.2.1 基于答案排序的方法 104
6.2.2 基于语义分析的方法 106
6.2.3 基于神经网络的方法 109
6.3 本章总结 113
参考文献 113
第7章 文本问答 115
7.1 文本问答整体框架 115
7.2 答案句子选择 116
7.2.1 基于特征的方法 116
7.2.2 基于深度学习的方法 118
7.3 机器阅读理解 128
7.3.1 Match-LSTM+Answer-Pointer 130
7.3.2 DCN 131
7.3.3 BiDAF 135
7.3.4 DrQA 136
7.3.5 ReasoNet 139
7.3.6 AoA 139
7.3.7 r-Net 141
7.4 本章总结 143
参考文献 144
第8章 社区问答 148
8.1 问题匹配 149
8.1.1 基于特征的方法 149
8.1.2 基于深度学习的方法 154
8.2 问题改写 160
8.2.1 基于统计的方法 161
8.2.2 基于深度学习的方法 162
8.3 本章总结 163
参考文献 164
第9章 问题生成 167
9.1 基于统计的方法 167
9.2 基于深度学习的方法 171
9.3 问题生成和智能问答的交互 175
9.4 本章总结 178
参考文献 178
第10章 总结 180
附录 常见问题与答案 184